【摘要】：近年來,我國機(jī)動車數(shù)量不斷增加,交通事故及傷亡人數(shù)也是呈逐年上升趨勢。安全帶作為一種十分重要的被動保護(hù)措施,可有效的降低車輛在道路上行駛時(shí)因車輛碰撞或其他交通事故造成的傷亡率。我國交管部門及相關(guān)的法律法規(guī)嚴(yán)格要求車輛駕駛?cè)藛T在車輛行駛過程中需佩帶安全帶。但在我國駕駛?cè)藛T在行車過程中不系安全帶的現(xiàn)象還是普遍存在,主要原因?yàn)轳{駛員安全意識不強(qiáng),存在多種躲避安全帶提示系統(tǒng)的不規(guī)范行為。因此,研究機(jī)動車內(nèi)駕駛?cè)藛T是否佩戴安全帶的檢測方法對于提高駕駛員的遵守交通法規(guī)的意識具有十分重要的意義。本文提出了一種基于深度學(xué)習(xí)的安全帶檢測方法,嘗試將近年來在圖像識別方面有較好應(yīng)用的深度學(xué)習(xí)方法來提高安全帶檢測的準(zhǔn)確率。相比傳統(tǒng)的安全帶檢測方法,深度學(xué)習(xí)的最大優(yōu)勢在于它可以自動的從樣本數(shù)據(jù)中學(xué)習(xí)特征,最大限度的減少了人為的干預(yù)以及手工設(shè)計(jì)特征的復(fù)雜性。本方法中在利用深度學(xué)習(xí)進(jìn)行訓(xùn)練和檢測之前,先要對交通視頻圖像進(jìn)行預(yù)處理。即首先運(yùn)用幀差法獲取運(yùn)動車輛的最小外接矩形,然后根據(jù)經(jīng)驗(yàn)閾值對車窗進(jìn)行粗定位排除車頭部分存在的干擾信息,再利用邊緣檢測與積分投影對車窗進(jìn)行精確定位,從而獲得駕駛?cè)藛T所在車窗區(qū)域作為訓(xùn)練樣本圖片或檢測圖片。之后研究了深度學(xué)習(xí)中的卷積神經(jīng)網(wǎng)絡(luò)模型,并用卷積神經(jīng)網(wǎng)絡(luò)模型對樣本圖片進(jìn)行訓(xùn)練得到用于安全帶檢測的模型,然后用該模型對待檢測圖片進(jìn)行檢測,判斷出車輛司機(jī)是否佩帶安全帶。本文中利用Caffe框架對整個(gè)訓(xùn)練和檢測過程進(jìn)行了實(shí)現(xiàn),并對實(shí)驗(yàn)結(jié)果進(jìn)行了分析,證明了該方法的有效性。
[Abstract]:In recent years, the number of motor vehicles in our country has been increasing continuously, and the number of traffic accidents and casualties has been increasing year by year. As a very important passive protection measure, safety belt can effectively reduce the casualties caused by vehicle collisions or other traffic accidents while driving on the road. However, the phenomenon that drivers do not wear seat belts in the course of driving is still widespread in China. The main reason is that drivers'safety awareness is not strong, and there are many kinds of irregular behaviors to avoid the seat belt prompting system. The detection method of wearing seat belts is very important for improving drivers'awareness of compliance with traffic regulations. This paper presents a new method of seat belts detection based on depth learning, which tries to improve the accuracy of seat belts detection compared with traditional methods. Seatbelt detection method, the biggest advantage of depth learning is that it can automatically learn features from the sample data, minimize the complexity of human intervention and manual design features. The frame difference method is used to obtain the minimum outer rectangle of the moving vehicle, and then coarse positioning of the window is carried out according to the experience threshold to eliminate the interference information in the front part of the vehicle. Then the window is accurately located by edge detection and integral projection, and the driver's window area is obtained as the training sample picture or detection picture. A convolution neural network model for in-depth learning is proposed, and the convolution neural network model is used to train the sample pictures to get a model for seat belt detection. Then the model is used to detect the pictures to be detected and determine whether the driver wears a seat belt. Finally, the experimental results are analyzed, and the effectiveness of the method is proved.
【學(xué)位授予單位】：華中科技大學(xué)
【學(xué)位級別】：碩士
【學(xué)位授予年份】：2015
【分類號】：U491.61;TP391.41

【相似文獻(xiàn)】

相關(guān)期刊論文 前10條

1 程惠濤,黃文虎,姜興渭,王日新;基于神經(jīng)網(wǎng)絡(luò)模型的故障預(yù)報(bào)技術(shù)研究[J];哈爾濱工業(yè)大學(xué)學(xué)報(bào);2001年02期

2 田社平,丁國清,顏德田;神經(jīng)網(wǎng)絡(luò)模型及其在計(jì)量與測試中的應(yīng)用[J];計(jì)量技術(shù);2001年08期

3 全永兵,張化光,王洋,趙志剛;一類新型神經(jīng)網(wǎng)絡(luò)模型及其控制器設(shè)計(jì)[J];東北大學(xué)學(xué)報(bào);2002年12期

4 魏永梅,林建中,張雷,喬俊偉,詹永麒;基于結(jié)構(gòu)的神經(jīng)網(wǎng)絡(luò)模型[J];上海理工大學(xué)學(xué)報(bào);2002年03期

5 王迎春,耿長福;一種具有較強(qiáng)泛化能力的神經(jīng)網(wǎng)絡(luò)模型研究與應(yīng)用[J];航天控制;2002年02期

6 戴斌祥,張娜,賀注國;關(guān)于一類離散時(shí)間神經(jīng)網(wǎng)絡(luò)模型的穩(wěn)定性[J];湖南大學(xué)學(xué)報(bào)(自然科學(xué)版);2003年01期

7 朱惠延,黃立宏,戴斌祥;一類二元神經(jīng)網(wǎng)絡(luò)模型的收斂性(英文)[J];應(yīng)用基礎(chǔ)與工程科學(xué)學(xué)報(bào);2003年02期

8 薛文濤,陳西宏,李飛;神經(jīng)網(wǎng)絡(luò)模型在同類武器裝備綜合評估中的應(yīng)用[J];計(jì)算機(jī)仿真;2004年12期

9 孫佰清;邢愛國;張積賓;潘啟樹;;可拓神經(jīng)網(wǎng)絡(luò)模型的設(shè)計(jì)與實(shí)現(xiàn)[J];哈爾濱工業(yè)大學(xué)學(xué)報(bào);2006年07期

10 曲東才;范紹里;吳光彬;彭軍;;基于優(yōu)化神經(jīng)網(wǎng)絡(luò)模型的系統(tǒng)建模仿真研究[J];海軍航空工程學(xué)院學(xué)報(bào);2008年03期

相關(guān)會議論文 前10條

1 孫寶成;劉錫薈;;時(shí)間序列神經(jīng)網(wǎng)絡(luò)模型[A];全國青年管理科學(xué)與系統(tǒng)科學(xué)論文集（第1卷）[C];1991年

2 周金榮;胡澤新;黃道;;一種多層混合型神經(jīng)網(wǎng)絡(luò)模型的研究[A];1995中國控制與決策學(xué)術(shù)年會論文集[C];1995年

3 王阿明;劉天放;;高階神經(jīng)網(wǎng)絡(luò)模型特性研究[A];中國地球物理學(xué)會年刊2002——中國地球物理學(xué)會第十八屆年會論文集[C];2002年

4 屈景怡;王如彬;;大腦皮層神經(jīng)網(wǎng)絡(luò)模型同步問題研究[A];第十四屆全國非線性振動暨第十一屆全國非線性動力學(xué)和運(yùn)動穩(wěn)定性學(xué)術(shù)會議摘要集與會議議程[C];2013年

5 張美戀;林熙;;經(jīng)濟(jì)增長的神經(jīng)網(wǎng)絡(luò)模型[A];1999年中國神經(jīng)網(wǎng)絡(luò)與信號處理學(xué)術(shù)會議論文集[C];1999年

6 陳昭炯;葉東毅;;一個(gè)改進(jìn)的競爭神經(jīng)網(wǎng)絡(luò)模型[A];1996中國控制與決策學(xué)術(shù)年會論文集[C];1996年

7 郭成安;李建華;李明偉;;從觀測數(shù)據(jù)學(xué)習(xí)后驗(yàn)概率函數(shù):一種最佳神經(jīng)網(wǎng)絡(luò)模型的設(shè)計(jì)與分析[A];第十屆全國信號處理學(xué)術(shù)年會（CCSP-2001）論文集[C];2001年

8 李媛;康春艷;于亞芳;;交指型缺陷接地結(jié)構(gòu)共面波導(dǎo)的神經(jīng)網(wǎng)絡(luò)模型[A];2009年全國微波毫米波會議論文集（上冊）[C];2009年

9 禹建麗;蘇中義;楊衛(wèi)平;;牽引傳動中潤滑油牽引系數(shù)的神經(jīng)網(wǎng)絡(luò)模型[A];2005年中國智能自動化會議論文集[C];2005年

10 胡金亮;李建生;余學(xué)慶;沈建京;周濤;王永炎;;用于中醫(yī)證候量化診斷的神經(jīng)網(wǎng)絡(luò)模型的探索[A];計(jì)算機(jī)在診法中的應(yīng)用與研究論文匯編[C];2005年

相關(guān)重要報(bào)紙文章 前1條

1 自治區(qū)交通廳養(yǎng)路費(fèi)征稽處 程愛娟;應(yīng)用“神經(jīng)網(wǎng)絡(luò)模型”預(yù)測婦女的平均工資水平[N];新疆科技報(bào)(漢);2000年

相關(guān)博士學(xué)位論文 前10條

1 袁朝暉;二元離散神經(jīng)網(wǎng)絡(luò)模型的動力學(xué)分析[D];湖南大學(xué);2003年

2 王軍平;幾類離散神經(jīng)網(wǎng)絡(luò)模型的動力學(xué)分析[D];復(fù)旦大學(xué);2006年

3 南晉華;決策神經(jīng)網(wǎng)絡(luò)模型及應(yīng)用研究[D];華中科技大學(xué);2008年

4 周日貴;量子神經(jīng)網(wǎng)絡(luò)模型研究[D];南京航空航天大學(xué);2008年

5 劉艷青;時(shí)滯神經(jīng)網(wǎng)絡(luò)模型的穩(wěn)定性研究[D];天津大學(xué);2005年

6 趙靈曉;基于部件神經(jīng)網(wǎng)絡(luò)模型的制冷系統(tǒng)混合仿真方法及應(yīng)用[D];上海交通大學(xué);2010年

7 朱紅;高速（HS-K-WTA）神經(jīng)網(wǎng)絡(luò)模型[D];南京理工大學(xué);2003年

8 熊佩英;幾類神經(jīng)網(wǎng)絡(luò)模型的動力學(xué)分析[D];湖南大學(xué);2013年

9 劉開宇;幾類二元神經(jīng)網(wǎng)絡(luò)模型的動力學(xué)性質(zhì)研究[D];湖南大學(xué);2004年

10 黃振坤;幾類神經(jīng)網(wǎng)絡(luò)模型的動力學(xué)分析[D];浙江大學(xué);2007年

相關(guān)碩士學(xué)位論文 前10條

1 楊巍;三元離散神經(jīng)網(wǎng)絡(luò)模型的穩(wěn)定性與分岔分析[D];東北林業(yè)大學(xué);2010年

2 孫文淵;基于BP神經(jīng)網(wǎng)絡(luò)模型下預(yù)測吉林省GDP[D];延邊大學(xué);2015年

3 李波;一類帶有分段連續(xù)控制項(xiàng)的非線性遞推關(guān)系的漸近周期性[D];延邊大學(xué);2015年

4 鞏云野;兩類具有時(shí)滯項(xiàng)的Cohen-Grossberg神經(jīng)網(wǎng)絡(luò)模型的穩(wěn)定性分析[D];東北林業(yè)大學(xué);2015年

5 王薇;一類離散時(shí)間雙極人工神經(jīng)網(wǎng)絡(luò)模型的周期性[D];延邊大學(xué);2015年

6 李辰風(fēng);改進(jìn)遺傳BP網(wǎng)絡(luò)的地表沉降預(yù)測方法研究[D];江西理工大學(xué);2015年

7 尤軍;民用建筑沉降監(jiān)測與預(yù)報(bào)方法應(yīng)用研究[D];寧夏大學(xué);2015年

8 吳嬌嬌;基于時(shí)空神經(jīng)網(wǎng)絡(luò)模型的瓦斯?jié)舛阮A(yù)測研究[D];中國礦業(yè)大學(xué);2015年

9 李靈光;細(xì)長導(dǎo)軌加工變形分析與參數(shù)優(yōu)化技術(shù)[D];北京理工大學(xué);2015年

10 王鵬;切換Cohen-Grossberg神經(jīng)網(wǎng)絡(luò)模型的動力學(xué)分析[D];長沙理工大學(xué);2014年

，

本文編號：2190098